(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221040725 3.5 (22)申请日 2022.04.19 (71)申请人 国网江苏省电力有限公司电力科 学 研究院 地址 210000 江苏省南京市江宁区帕威尔 路1号 申请人 国网江苏省电力有限公司 　 江苏省电力试验研究院有限公司 (72)发明人 姚楠　王真　刘子全　朱雪琼　 秦剑华　薛海　高超　吴奇伟　 路永玲　 (74)专利代理 机构 南京纵横知识产权代理有限 公司 32224 专利代理师 范青青(51)Int.Cl. G06V 20/10(2022.01) G06V 10/30(2022.01) G06V 10/40(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种电网输电环 境观测图像去噪方法、 终端 及存储介质 (57)摘要 本发明公开了一种电网输电环境观测图像 去噪方法、 终端及存储介质， 所述方法包括： 采集 电网输电环 境的观测图像， 并对观测图像进行预 处理； 将预处理后的观测图像输入至去噪数学优 化模型， 并利用交替方向乘子算法对 所述去噪数 学优化模型进行循环迭代求解， 直至满足迭代终 止条件， 得到去噪后的目标图像； 其中， 所述去噪 数学优化模型是通过将预构建的基于先验驱动 的深度卷积神经网络去噪器， 嵌入至根据去噪算 法搭建的深度卷积神经网络中获取的。 本发明有 效地利用了输电环境下观测图像的多尺度冗余 性， 设计了深度卷积神经网络去噪器， 并将其嵌 入到深度卷积神经网络中， 具有更高的准确性和 鲁棒性， 能在电网输电环境下实现优异的去噪效 果。 权利要求书2页 说明书6页 附图1页 CN 114972981 A 2022.08.30 CN 114972981 A 1.一种电网输电环境观测图像去噪方法， 其特 征在于， 所述方法包括： 采集电网输电环境的观测图像， 并对观测图像进行 预处理； 将预处理后的观测图像输入至去噪数学优化模型， 并利用交替方向乘子算法对所述去 噪数学优化模型进行循环迭代求 解， 直至满足迭代终止条件， 得到去噪后的目标图像； 其中， 所述去噪数学优化模型是通过将预构建的基于先验驱动的深度 卷积神经网络去 噪器， 嵌入至根据去噪算法搭建的深度卷积神经网络中获取的。 2.根据权利要求1所述的电网输电环境观测图像去噪方法， 其特征在于， 对观测图像进 行预处理的方法包括： 对所述观测图像进行RGB转换并进行0～ 255的归一化处理。 3.根据权利要求1或2所述的 电网输电环境观测图像去噪方法， 其特征在于， 所述去噪 数学优化模型的目标函数表达式为： 其中， x表示目标图像； y表示观测图像； A表示与成像/退化系统相关的退化矩阵； λ为参 数； J(x)表示与X的先验信息P(x)相关的正则化子； X表示目标图像矩阵。 4.根据权利要求1所述的电网输电环境观测图像去噪方法， 其特征在于， 基于先验驱动 的深度卷积神经网络去噪器包括： 特征提取单元： 用于对所输入的图像进行编码及下采样提取 特征， 获取特征地图； 图像重建单元： 用于对特征地图进行解码及下采样， 并将在编码 阶段生成的具有相同 空间分辨 率的特征映射与在解码阶段生成的上采样特 征映射进行融合， 以获取重建图像。 5.根据权利要求4所述的电网输电环境观测图像去噪方法， 其特征在于， 所述特征提取 单元包括一系列卷积层， 卷积层被分为多个特征编码块， 每个特征编码块包含四个具有 ReLU非线性和 3×3核的卷积层， 通过特征编码块的四个卷积层生成64通道特征映射； 特征 编码块之后连接下采样层， 在下采样层中通过缩放因子沿两个轴对特征地图进行子采样， 以降低特 征地图的空间分辨 率。 6.根据权利要求4或5所述的 电网输电环境观测图像去噪方法， 其特征在于， 所述图像 重建单元包括一系列卷积层， 卷积层被分为四个特征解码块， 每个特征解码块由五个卷积 层组成， 第一层使用1 ×1kernels和ReLU功能将特征地图的数量从128减少到64， 以下四层 使用3×3kernels和ReLU非线性生成64通道特征图； 由反褶积层使用比例因子2进行上采 样； 输出图像通过尺寸 为3×3的滤波器从64 通道特征图进行重建。 7.根据权利要求1所述的电网输电环境观测图像去噪方法， 其特征在于， 所述深度 卷积 神经网络去噪器采用均方误差的损耗 函数和ADAM优化器训练获取。 8.根据权利要求3所述的电网输电环境观测图像去噪方法， 其特征在于， 利用交替方向 乘子算法对所述去噪数 学优化模型进行循环迭代求 解的方法包括： 步骤a： 引入辅助变量v， 将目标函数改写为： 步骤b： 使用ADM M技巧将上述同等约束优化问题转 化为两个子问题：权　利　要　求　书 1/2 页 2 CN 114972981 A 2其中， u(t+1)＝u(t)+ρ(x(t+1)‑v(t+1))是算法引入的辅助变量； 上角标t表示迭代次序， x(t) 代表第t次迭代时x变量的实时值； μ、 ρ 、 λ代 表权重； J(v)代 表v的先验信息； 步骤c： 用封闭形式求解x子问题， x(t+1)＝W‑1b， W为与退化矩阵A相关的矩阵， b为与拍摄 传感器相关的模糊核； 步骤d： 使用迭代经典共 轭梯度算法计算x(t+1)的非精确解： 式中： 通过预计算 计算x(t)的更新； AT代表A的转置； δ是控制步 长的参数； η为权 重参数； 步骤e： 交替更新x和v直到收敛。 9.一种终端， 其特 征在于， 包括处 理器及存 储介质； 所述存储介质用于存 储指令； 所述处理器用于根据所述指令进行操作以执行根据权利要求1～8任一项所述方法的 步骤。 10.计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执行 时实现权利要求1～8任一项所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 114972981 A 3